Op件enCV VS架构-算法及应用.doc

OpenCV VS架构\算法及应用 摘要：intel opencv vs是opencv内嵌的一个高效、通用的视频目标检测、跟踪和轨迹分析的开源平台，但由于没有相关资料而缺少研究和应用。在深入挖掘opencv vs源码的基础上，剖析了该平台的整体架构和算法体系，给出了算法描述和相应接口。在此基础上，开发了一个基于opencv vs架构的稳定、高效的行人统计系统。 关键词：opencv； 视频监控； 视频跟踪； 轨迹分析； 行人统计 引言 多年来在从事计算机视觉研究的过程中，一直需要这样一个平台，一方面可以提供众多成熟稳定的检测、跟踪、轨迹分析算法，另一方面具备良好的编程接口，这样就可以将自己的算法很方便地嫁接进这个系统，测试和对比各种算法的优劣性能。而intel opencv［1］ 视频监控（video surveillance）模块恰恰提供了这样一个功能强大的平台，在下文中简称为vs。从intel opencv 1.0版本开始，其辅助库cvaux中就增加了vs模块，直至opencv 2.2版本，该模块都相对稳定的存在。然而opencv提供的vs的相关资料相当少，在官方的帮助文档中甚至只字未提，国内外也少有相关的研究和介绍，这也是vs长期未被研发人员广泛关注的原因之一。值得庆幸的，也是opencv最大的优势就在于其开源性。通过深入剖析vs的源代码，可以理清整个vs框架的脉络，探索其中的算法原理和实现方法。本文对vs的架构和算法体系进行了剖析和梳理，在此基础上给出一个该架构应用于行人统计的实例。 1opencv video surveillance的架构 opencv是intel公司开发的广受关注的计算机视觉开源库，其算法覆盖面广、实时性好。cvaux是opencv的辅助类库，vs则是其中一个重要组成部分。用vc++6.0打开opencv 1.0工程源码，可以在cvaux下看到vs结构和类定义，vs类多数以cvblob开头。通过梳理vs的各个类和结构间的关系，可以归纳得到vs的uml关系图，从整体上把握vs的架构，如图1所示。类似于ms mfc中的cobject，vs中的所有的类都有一个共同的父类cvvsmodule，主要提供各个模块通用的参数的读写、拷贝等功能。vs提供了目标检测、跟踪和轨迹分析的算法接口：cvfgdetector，cvblobdetector ，cvblobtracker，cvblobtrackgen，cvblobtrackpostproc，cvblobtrackanalysis，分别是前景检测、新目标检测、目标跟踪、轨迹生成、跟踪后处理、轨迹分析等6组算法接口，这些接口类是大多数vs类的父类。另外还有一个cvblobtrackerauto接口，其功能是对以上算法进行链接、调度，用于对整个算法流程和数据传递的控制。 vs中的很多类并没有导出用户接口，不能直接调用，而是提供了相应的全局函数作为惟一的用户接口。这是模式设计中类工厂的思想，有效地屏蔽了构建类实例的细节，这种设计思想被大量应用于com技术中。 图1opencv vs uml图2opencv video surveillance的算法体系 opencv vs覆盖了许多主流的检测、跟踪与轨迹分析方法，如前文中提到的6类算法，分别是：前景检测、新目标检测、目标跟踪、轨迹生成、跟踪后处理、轨迹分析，除了轨迹生成用于轨迹数据的保存以外，其他5个部分都是标准的视频监控算法体系中不可或缺的部分。在vs的标准应用中，算法的执行流程如图2所示。 图2vs算法流程图下面对vs算法体系进行简要介绍并给出参考文献，表1列举了各组算法和接口，方便读者查阅。 （1） 算法流程控制（cvblobtrackerauto）。整个算法流程的控制在接口类cvblobtrackerauto的子类中完成。vs中提供了一个范本，就是cvblobtrackerauto1，通过查看cvblobtrackerauto1::process()，可以洞悉整个算法的标准流程。当然用户也可以在遵循接口cvblobtrackerauto的基础上进行扩展，重载process()，构建自己的视频监控算法流程。 （2） 前景检测（cvfgdetector）。在视频监控中，前景一般是指相对于背景的运动区域，即通常关注的运动目标，如行人、车辆等。前景检测的方法大致可以分为3类：背景差法、帧差法和光流法。背景差法通过对对背景进行建模来检测运动的前景，由于其准确性、鲁棒性和实时性的优势受关注较多。 cvfgdetector是前景检测类的接口，在其子类cvfgdetectorbase中包含了［23］两种背景差方法的实现，后者是被广泛研究和应用的混合高斯模型［4］（mogmixture of gaussians）。 open